问题描述：
数值控制参数中的子空间加速器是什么含义？
解答：
求解描述力与位移关系的方程组 Ku=F 的一种常用方法是 Newton–Raphson 迭代法，该方法通过求解残差方程 f(u)=F-Ku=0 来获得位移解。当刚度矩阵 K 为常数且材料行为为线弹性时，仅需一次迭代即可得到精确解。然而，在一般情况下，材料行为具有非线性特征，刚度矩阵 K 往往与应力状态相关，此时需要通过多次迭代才能实现收敛。在某一计算步中，第 i 次迭代的位移可通过 Newton–Raphson 迭代公式求得：
ui=ui-1-f(ui-1)/f′(ui-1)
当刚度矩阵 K 随应力状态变化时，为获得最准确的计算结果，应在每一次迭代中重新计算刚度矩阵，这正是传统 Newton–Raphson 方法所采用的策略。然而，刚度矩阵的重新组装与求解通常计算代价较高，从而使得传统 Newton–Raphson 方法的计算效率较低。相比之下，修正的 Newton–Raphson 方法（Modified Newton–Raphson）仅在新的计算步开始时更新一次刚度矩阵，而在该计算步内的后续迭代过程中保持刚度矩阵不变。该方法能够显著提高计算效率。然而，当在单一计算步内由于强非线性行为导致应力或应变状态发生较大变化时，迭代过程中得到的解可能偏离真实解，从而引起收敛速度下降，甚至抵消修正的 Newton–Raphson 方法在计算效率方面所带来的优势。
Scott 与 Fenves（2010）在修正的 Newton–Raphson 方法基础上提出了一种加速 Newton–Raphson 算法。在该加速算法中，每一次迭代不仅基于当前迭代结果，还结合有限数量的前序迭代中的位移增量信息对解进行进一步修正。加速效果在此前迭代中具有较大位移增量的节点处最为显著，而这些节点通常对应于体系中非线性程度最高的区域。因此，该加速策略主要作用于修正 Newton–Raphson 迭代中可能与真实解偏差最大的自由度，从而有效提高收敛性。
在数值实现过程中，加速算法将若干次前序迭代得到的位移增量向量收集并存储于一个特殊的 Krylov 子空间中，因此该方法被称为子空间加速（Subspace acceleration）。用于加速的前序迭代次数由 Subspace size（子空间维数）参数控制，增大该参数可引入更多的历史迭代信息，从而提高解的修正精度并减少所需迭代次数。但与此同时，加速过程本身也会增加内存消耗和计算成本。因此，在加速效果与计算效率之间需要进行权衡，为降低内存占用及计算时间，子空间维数通常取 3–6。基于工程经验，PLAXIS 默认采用 3，即利用最近 3 次迭代的位移增量对当前迭代进行加速。
在 PLAXIS 中，子空间加速方法已被成功应用于多种岩土工程非线性问题，尤其适用于存在高度非线性行为的计算场景，例如：局部破坏机制的发展、土体冻融过程、液化现象以及多物理场之间的复杂耦合等计算难度较高的问题。